高随着卫星遥感影像技术的飞速发展,如何从遥感影像中提取所需信息并准确检测特定目标已成为当前研究的热点问题。传统目标检测方法通常采用手工方式提取特征来训练分类器,而如何提取典型与判别特征是提高目标检测精度的关键因素。作为一种具有大数据处理能力的深度学习模型,更快速区域卷积神经网络(Faster Region-Convolutional Neural Networks,Faster R-CNN)通过建立类似于人脑的分层结构来自动学习图像特征。凭借其良好的学习能力,Faster R-CNN近年来已成功应用于目标检测、语音识别和图像分类等领域。基于此,本文聚焦研究基于Faster R-CNN的遥感图像目标检测,主要研究内容包括:本文研究了一种基于Faster R-CNN的遥感图像目标检测算法,该算法使用VGG16卷积神经网络和Caffe深度学习框架构建网络。首先,该算法选取分辨率为1米的GaoFen-2光学遥感图像,使用支持向量机进行预处理将较大的检测区域划分为可能包含目标的较小感兴趣区域并采用基于R-CNN的目标检测算法。为了提高小目标和多聚集目标的检测效果,本文算法采用有效的目标检测框架Faster R-CNN,通过使用多分辨率卷积特征并在区域候选网络中较大特征图谱上执行感兴趣区域池化来改进原始卷积神经网络VGG16的结构。最后分别采用R-CNN和Faster R-CNN实现遥感影像中目标检测。实验结果表明,基于Faster R-CNN的深度学习方法能够更加快速准确识别选定目标。此外,本文针对遥感图像中油箱、运动场和天桥等其它目标进行对比实验。在相同的实验环境下,算法获得了的良好的实验结果,目标识别率较高,每张图片的检测时间小于0.2秒,充分验证了本文算法的有效性和可靠性。综上所述,本文研究了一种基于Faster R-CNN的遥感图像目标检测算法。实验结果表明该算法实现了飞机及其它选定目标的快速准确检测。本文算法不仅在图像目标检测应用中具有推广价值,而且对基于其它深度学习模型实现目标检测提供了参考。